Применение трансформерной архитектуры глубокого обучения (RF-DETR) для мониторинга деревьев-опылителей в рядах садовых насаждений

Актуальность. Для оптимизации опыления и повышения урожайности яблоневых садов необходим точный учет деревьев-опылителей. Существующие методы дистанционного зондирования не обеспечивают необходимой детализации для распознавания отдельных деревьев по сортовой принадлежности в условиях плотной ли нейной посадки. В статье предлагается метод автоматизированного мониторинга деревьев-опылителей в рядах садовых насаждениях, основанный на современной трансформерной архитектуре глубокого обучения RF-DETR.

Методы. Метод строится на анализе изображений, полученных с помощью аэро- и наземной съемки, и позволяет распознавать опылители по наличию сохранившихся плодов. Для обучения использовался размеченный датасет (2500 изображений), верифицированный экспертами-агрономами, что обеспечило высокое качество данных. Обучение и сравнительный анализ конфигураций модели (Nano, Small, Medium, Large) на размеченном наборе данных показало, что модель RF-DETR Medium обеспечивает высокую точность распознавания (mAP@50:95 = 0,658) и позволяет проводить обработку данных в режиме реального времени (5,9 FPS). Сочетание характеристик позволяет использовать модель как на бортовых компьютерах роботизированных систем, так и для обработки данных на серверном оборудовании. Апробация метода в контрольном ряду позволила выявить дефицит деревьев-опылителей и точно локализовать проблемные участки сада.

Результаты. Полученные результаты подтверждают, что использование трансформерных моделей позволяет отказаться от субъективных и трудоемких методов учета, обеспечивая при этом масштабируемость анализа.

1. Gilpin A.-M., Kobel C., Brettell L.E., O’Brien C., Cook J.M., Power S.A. Co-Flowering Species Richness Increases Pollinator Visitation to Apple Flowers. Agriculture. 2022; 12(8): 1246. https://doi.org/10.3390/agriculture12081246

2. Meissle M., Waldburger M., Jeanneret P., Broggini G.A.L., Patocchi A., Romeis J. Insect Pollinator Monitoring in and around a Netted Plot of Apple Trees—Biosafety Implications for Genetically Engineered Fruit Trees. Agronomy. 2023; 13(1): 84. https://doi.org/10.3390/agronomy13010084

3. Elsysy M., Ebrahimi A., Einhorn T. Wind Pollination of Apple Flowers Under Insect Exclusion Nets Questions the Insect-Dependent Pollination Model of Modern Apple Plantations. Plants. 2025; 14(8): 1196. https://doi.org/10.3390/plants14081196

4. Roeder S., Serra S., Musacchi S. Effective Pollination Period and Parentage Effect on Pollen Tube Growth in Apple. Plants. 2021; 10(8): 1618. https://doi.org/10.3390/plants10081618

5. Zhu Y. et al. Identification of Apple Orchard Planting Year Based on Spatiotemporally Fused Satellite Images and Clustering Analysis of Foliage Phenophase. Remote Sensing. 2020; 12(7): 1199. https://doi.org/10.3390/rs12071199

6. Li H., Tan B., Sun L., Liu H., Zhang H., Liu B. Multi-Source Image Fusion Based Regional Classification Method for Apple Diseases and Pests. Applied Sciences. 2024; 14(17): 7695. https://doi.org/10.3390/app14177695

7. Фёдоров Д.Е., Быков С.Н. Мониторинг посевов гороха с нейросетевой обработкой изображений, полученных с использованием БПЛА. Аграрная наука. 2025; (8): 122–128. https://doi.org/10.32634/0869-8155-2025-397-08-122-128

8. Хорт Д.О., Кутырев А.И., Смирнов И.Г., Филиппов Р.А., Вершинин Р.В. Разработка алгоритмов системы распознавания ягод земляники садовой при роботизированном сборе. Электротехнологии и электрооборудование в АПК. 2020; 67(1): 133–141. https://doi.org/10.22314/2658-4859-2020-67-1-133-141

9. Liu Q., Meng H., Zhao R., Ma X., Zhang T., Jia W. Green Apple Detector Based on Optimized Deformable Detection Transformer. Agriculture. 2025; 15(1): 75. https://doi.org/10.3390/agriculture15010075

10. Robinson I., Robicheaux P., Popov M., Ramanan D., Peri N. RF-DETR: Neural Architecture Search for Real-Time Detection Transformers. arXiv. 2025; 2511.09554. https://doi.org/10.48550/arXiv.2511.09554

11. Кутырёв А.И., Смирнов И.Г., Андриянов Н.А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева. Садоводство и виноградарство. 2023; (5): 56–63. https://doi.org/10.31676/0235-2591-2023-5-56-63

12. Liu Z., Wu D., Xu F., Du Z., Luo R., Li C. MSHLB-DETR: Transformer-Based Multi-Scale Citrus Huanglongbing Detection in Orchards with Aggregation Enhancement. Horticulturae. 2025; 11(10): 1225. https://doi.org/10.3390/horticulturae11101225

13. Kaviani M., Leblon B., Akilan T., Amishev D., LaRocque A., Haddadi A. Tree Health Assessment Using Mask R-CNN on UAV Multispectral Imagery over Apple Orchards. Remote Sensing. 2025; 17(19): 3369. https://doi.org/10.3390/rs17193369

14. Wang M., Li F. Real-Time Accurate Apple Detection Based on Improved YOLOv8n in Complex Natural Environments. Plants. 2025; 14(3): 365. https://doi.org/10.3390/plants14030365

15. Lee S., Lee S. Efficient Data Augmentation Methods for Crop Disease Recognition in Sustainable Environmental Systems. Big Data and Cognitive Computing. 2025; 9(1): 8. https://doi.org/10.3390/bdcc9010008

16. Maxwell A.E., Warner T.A., Guillén L.A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies—Part 1: Literature Review. Remote Sensing. 2021; 13(13): 2450. https://doi.org/10.3390/rs13132450

17. Хорт Д.О., Кутырев А.И., Смирнов И.Г., Воронков И.В. Разработка системы автоматизированного управления агротехнологиями в садоводстве. Сельскохозяйственные машины и технологии. 2021; 15(2): 61–68. https://doi.org/10.22314/2073-7599-2021-15-2-61-68